本文提出了一种新的自知识蒸馏方法，通过孪生表示学习最小化给定样本的两个不同视图的表示向量之间的差异，利用软标签蒸馏和表示向量的相似性，生成更一致的预测和表示。在标准数据集上验证了其显着提高精确度的效果。

本文介绍了一种新的数据增广技术，利用语言模型生成逼真的文本样本，并利用软标签蒸馏知识，同时创建文本扰动。实验证明该方法在分类任务上的数据增广效果优于现有方法。

本文介绍了一种新的自知识蒸馏方法，通过孪生表示学习最小化给定样本的两个不同视图的表示向量之间的差异，并利用软标签蒸馏和表示向量的相似性，生成更一致的预测和表示。在多个标准数据集上验证了其显著提高精确度的效果。